NLP CH8 属性级情感分析复习

1. 任务定义与形式化

属性级情感分类的目标是：

• 对文本中的目标实体（entity）及其属性（aspect）进行情感分析。
• 其形式化定义为五元组 (e, a, s, h, t)：
  • e：被评价的目标实体。
  • a：目标实体中的某个属性。
  • s：对实体属性的情感倾向（正、负、中立或打分）。
  • h：观点持有者。
  • t：发表观点的时间。
    
    

1. 属性抽取（Aspect Extraction，AE）：从文本中识别出所有属性。
2. 属性级情感分类（Aspect-Level Sentiment Classification, ALSC）：判断每个属性的情感倾向。

此外，还有扩展任务：

• 观点抽取（Opinion Extraction，OE）：从文本中提取与属性相关的观点词。
• 三元组联合抽取：同时完成AE、OE和情感分类。
• 属性-观点联合抽取（Pair Extraction）：抽取成对的属性和观点词。

---

2. 方法

在属性级情感分类中，以下方法被提到：

(1) 属性抽取（AE）

• Seq2Seq模型：采用GRU门控单元，结合位置感知的注意力机制。
• 序列标注方法：使用BIO标注体系对属性进行标注。
  

(2) 属性级情感分类（ALSC）

• 基于注意力的LSTM（ATAE-LSTM）：
  • 在句子中针对不同属性动态调整注意力的关注点。
  • 属性信息可以拼接到LSTM的输入层或隐层中。
• TC-LSTM模型：结合上下文和属性信息进行分类。
  

(3) 属性导向的观点抽取（AOE）

• 使用Encoder-Decoder框架。
• 结合内向LSTM和外向LSTM，获取目标和上下文的全局信息。
  

(4) 属性抽取+情感分类（AESC）

• Pipeline模型：通过先抽取后分类的框架实现，基于BERT的双向编码器。
• 预测属性的开始位置和结束位置后，直接对属性进行情感分类。
  

(5) 属性观点联合抽取（Pair Extraction）

• SpanMIT模型：基于多任务学习，结合BERT/BiLSTM对可能的跨度进行枚举和监督，提取属性-观点对。
  

(6) 三元组联合抽取

• 基于BERT的Span模型：在一个框架中处理所有ABSA子任务（AE、OE和情感分类），通过检测句子中各个组件的位置和类别来完成任务。
• 统一生成框架（Unified Generative Framework）：基于BART模型，将所有ABSA任务统一为概率计算问题。
  
  

(7) 基于大模型的方法

• Counterfactual数据增强：生成反事实样本（例如将“Never bad”与“positive”虚假关联打破）来提升模型鲁棒性。
• Instruction Tuning：通过检索示例和语言模型推理相结合进行任务优化。
  
  
  

---

3. 总结与未来方向

属性级情感分类的未来研究方向包括：

• 复杂属性的多元组抽取。
• 联合学习（同时抽取和分类）。
• 引入外部知识（语义、词典、常识等）。
• 表示学习（基于Transformer、图神经网络GNN等）。

这些方法和技术的目标是提升情感分析的精度与鲁棒性，同时应对更复杂的情感分析场景。